基于现场VIS-NIRS和注意力循环神经网络的紫色茄子果实果实日回归研究
Bohan Huang1, Long Xue1,2, Jie Yang1
1College of Engineering, Jiangxi Agricultural University, Nanchang, China.
Journal of food science
|January 13, 2025
概括
预测茄子的成熟度对于智能收获至关重要. 这项研究开发了一个深度学习模型,使用水果光谱学来准确估计果树成熟日,改善收获时间.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 频谱学是一种光谱学.
背景情况:
- 智能茄子收获需要准确的果实成熟度识别.
- 目前的方法缺乏现场识别,这使得成熟度评估变得困难.
- 结果日期是茄子收获准备度的一个关键指标.
研究的目的:
- 开发一种深度学习模型,使用现场光谱数据预测紫色茄子生果日.
- 评估模型的性能与传统的机器学习方法相比.
- 分析不同模型组件对预测准确性的贡献.
主要方法:
- 茄果的现场可见和近红外 (VIS-NIRS) 光谱数据 (500-1000 nm) 收集于放后15-33天.
- 开发了一个回归网络,集成多尺度卷积,注意力机制和长期短期记忆 (LSTM) 循环神经网络.
- 应用了光谱预处理技术,包括标准正常变量 (SNV),并进行了废弃实验.
主要成果:
- 拟议的深度学习模型实现了0.876的确定系数 (R2) 和2.148天的根平均平方误差 (RMSE),用于预测果实设置日.
- 该模型的性能优于传统方法,如反向传播神经网络,随机森林,支向量机器和部分最小平方回归.
- 除研究证实了每个网络组件的有效性,注意力重量分析揭示了该模型对关键光谱间隔的关注能力.
结论:
- 可见光和近红外光谱学与基于注意力的LSTM网络相结合,为预测茄子生果日提供了有效的方法.
- 开发的模型提供了一种新的方法,用于在茄子的现场成熟度检测.
- 这项技术可以显著提高智能茄子收获的精度和效率.
